Water Analytics: Η Τεχνητή Νοημοσύνη στις εφαρμογές νερού και λυμάτων

Ο συνδυασμός της περισσότερο συζητημένης τεχνολογικής εξέλιξης, με το μεγαλύτερο πρόβλημα που αντιμετωπίζει σήμερα ο πλανήτης είναι σίγουρα ένα αντικείμενο που από μόνο του προκαλεί το ενδιαφέρον και δημιουργεί αναπόφευκτα ελπίδες για βελτίωση των καταστάσεων. Η Τεχνητή Νοημοσύνη (Artificial Intelligence) ως αποτέλεσμα επιμέρους τεχνολογιών, όπως η Ανάλυση Μεγάλου Όγκου Δεδομένων (Big Data Analytics) και η Μηχανική Μάθηση (Machine Learning) έχει αρχίσει πλέον να κάνει τις πρώτες της εμφανίσεις στις εφαρμογές διαχείρισης νερού. Πριν συνεχίσουμε να διευκρινίσουμε ότι δεν αναφερόμαστε στην επί πολλά χρόνια χρήση του όρου Analytics σε εφαρμογές οργάνων μέτρησης δεδομένων ή συμπληρωματικών αισθητηρίων αυτών. Το πεδίο των Data Analytics δεν έχει να κάνει με hardware, αλλά με software. Ειδικά στην διαχείριση νερού, στο κομμάτι του hardware έχουν γίνει τεράστια βήματα τα τελευταία χρόνια σε αντίθεση με το software το οποίο – με εξαίρεση τα τελευταία δύο χρόνια – έχει παραμείνει στους τομείς της συλλογής και απεικόνισης των πληροφοριών (visualization platforms) .

Data Waterfall

Ένα σύνηθες φαινόμενο είναι αυτό που μπορούμε να αναφέρουμε και με τον όρο Data Waterfall. Το σύνολο των πηγών πληροφοριών (π.χ. ηλεκτροκινητήρες) καθώς και των μέσων συλλογής των πληροφοριών αυτών (π.χ. αισθητήρια), έχει αυξηθεί κατακόρυφα τα τελευταία χρόνια. Ειδικά στην Ελλάδα, βρισκόμενοι στο τελευταίο στάδιο των επενδυτικών επιχορηγήσεων της ΕΕ, η αλήθεια είναι ότι έχουν εγκατασταθεί πολλές νέες ‘πηγές πληροφορίας’. Από αντλίες και υδρόμετρα, μέχρι αισθητήρια ποιότητας νερού και λυμάτων. Όλα αυτά τα προϊόντα παράγουν πληροφορία συνεχώς, είτε λειτουργούν, είτε παραμένουν σε αδράνεια (ακόμα και το γεγονός ότι μια αντλία δεν λειτουργεί είναι μια πληροφορία). Επιπλέον αυτών, τα σύγχρονα συστήματα SCADA έχουν καταφέρει να προσδώσουν συνολική απεικόνιση, έλεγχο και δυνατότητες παραμετροποίησης που αντιστοιχούν με την ποιότητα μιας κονσόλας αυτοκινήτου. Και εδώ ακριβώς εμφανίζεται το φαινόμενο του Data Waterfall. Όπως ακριβώς τα νερά ενός καταρράκτη πέφτουν στο κενό χωρίς να αξιοποιείται η δύναμή τους, το ίδιο συμβαίνει και με όλες τις πληροφορίες που παράγονται, συγκεντρώνονται, απεικονίζονται, ελέγχονται και παραμετροποιούνται από τον εγκατεστημένο εξοπλισμό – πέφτουν στο κενό χωρίς να τις αξιοποιούμε. Από το φαινόμενο αυτό πάσχουν οι περισσότερες Υπηρεσίες Ύδρευσης – Αποχέτευσης σε όλο τον κόσμο και την κάλυψη αυτού του κενού έχουν ξεκινήσει να προσφέρουν τόσο οι κατ’ εξοχήν εταιρίες που έχουν να κάνουν με προϊόντα γύρω από το νερό (Xylem, Suez, Veolia, κλπ), όσο και εταιρίες πληροφορικής (IBM) και συμβουλευτικής (ΕΥ, Accenture).

Το ‘καινούργιο’ σήμερα…

Μια από τις νεοεμφανιζόμενες τεχνολογίες που συχνά συγκρίνονται – λανθασμένα – με την Τεχνητή Νοημοσύνη (AI) είναι η χρήση αλγοριθμικών μοντέλων τα οποία επεξεργαζόμενα τα διαθέσιμα δεδομένα, εξάγουν αποτελέσματα επί αυτών, πολλές φορές προτείνοντας και εναλλακτικές λύσεις / προτάσεις. Αυτή είναι η βασική μέθοδος / τεχνολογία που χρησιμοποιείται σήμερα για την διαχείριση διαρροών σε δίκτυα ύδρευσης, την διαχείριση ενέργειας καθώς και άλλων σχετικών εφαρμογών.

Μια ακόμα νέα σχετικά υπηρεσία είναι αυτή της διασύνδεσης των προϊόντων, π.χ. αντλίες νερού, είτε με cloud/web based software, είτε με εφαρμογές σε κινητά. Δυνατότητες ενημέρωσης σε πραγματικό χρόνο (notifications) προς τον τελικό χρήστη για την συμπεριφορά του προϊόντος, περιορισμένης κλίμακας χειροκίνητης αλλαγής των συνθηκών λειτουργίας και οικείο περιβάλλον απεικόνισης των πληροφοριών, είναι τα βασικά χαρακτηριστικά των τεχνολογιών που τώρα προσφέρονται στους τελικούς χρήστες ακόμα και για εφαρμογές μικρής κλίμακας.

Στο σημείο αυτό θα θέλαμε να τονίσουμε ότι θα ήταν λάθος αν αφήναμε να εννοηθεί ότι η χρήση αυτών των τεχνολογιών δεν έχει θετικά αποτελέσματα σε όσες Υπηρεσίες την έχουν εφαρμόσει ή σε όσους τελικούς καταναλωτές έχουν διαθέσει επιπλέον χρήματα για να ενημερώνονται και να χειρίζονται το προϊόν τους από το κινητό τους τηλέφωνο. Το αντίθετο μάλιστα, Υπηρεσίες που έχουν εγκατεστημένα δίκτυα Τηλεματικής παρακολουθούν και διαχειρίζονται καλύτερα το νερό αλλά και τα πάγιά τους ενώ όσον αφορά τους τελικούς χρήστες, έχουν πλέον άμεση και ολοκληρωμένη ενημέρωση για τα συνολικά χαρακτηριστικά λειτουργίας της αντλίας τους, συμπεριλαμβανομένου και της κατανάλωσης ενέργειας. Οι τεχνολογίες όμως αυτές έχουν δύο σημαντικά μειονεκτήματα: Δεν είναι αυτόνομα δυναμικές και δεν είναι ολοκληρωμένα διασυνδεδεμένες.

…και το ‘δυναμικό’ αύριο

Η Μηχανική Μάθηση (Machine Learning) είναι η τεχνολογία η οποία πρόκειται να αλλάξει τα επόμενα χρόνια ριζικά τον τρόπο με τον οποίο διαχειριζόμαστε το σύνολο του εξοπλισμού (hardware) και κατ’ επέκταση το ίδιο το νερό. Οι τεχνολογίες Machine Learning «μαθαίνουν» από τα δεδομένα που είναι διαθέσιμα και προτείνουν νέους τρόπους λειτουργίας του εξοπλισμού. Αυτή είναι και η πηγαία διαφορά του απλού λογισμικού με το λογισμικό μηχανικής μάθησης. Ουσιαστικά, αναλύει και συνδυάζει τα καταγεγραμμένα δεδομένα μιας εγκατάστασης, στην συνέχεια μαθαίνει την συνδυαστική τους λειτουργία, αναζητεί συσχετίσεις μεταξύ ζητούμενων-αποτελεσμάτων και τέλος παρέχει πρόβλεψη μέσω αλγοριθμικών μοντέλων για την βελτιστοποιημένη λειτουργία του εξοπλισμού σε μελλοντικό χρόνο, προσθέτει με απλά λόγια νόηση στον κύκλο λειτουργίας. Η διαδικασία αυτή παράγει επιπλέον πληροφορία και η πληροφορία αυτή χρησιμοποιείται ως επιπλέον γνώση η οποία τελικά θα τροποποιήσει δυναμικά τους αλγορίθμους στις νέες συνθήκες. Επιπρόθετα, μέσα από αυτή την διαδικασία ‘εκμάθησης’ θα δημιουργηθούν συνθήκες εξαγωγής πολλαπλών μελλοντικών σεναρίων από τα οποία – και με την συσσωρευμένη γνώση που θα υπάρξει – θα δημιουργείται αυτοματοποιημένη ιεράρχηση ανάλογα με την πραγματική πιθανότητα εμφάνισης μελλοντικού συμβάντος. Η πληροφορία δεν είναι πλέον μονοσήμαντη, δεν χρησιμοποιείται μόνο μια φορά για να ενεργοποιήσει μια ενημέρωση (notification) στον χρήστη, αλλά αποκτά πλέον ένα νέο πολυδιάστατο ρόλο. Κατ’ επέκταση η λήψη των αποφάσεων δεν εξαρτάται μόνο από την ξεκάθαρη απεικόνιση των δεδομένων σε καλοσχεδιασμένα γραφήματα, αλλά κατά ένα μεγάλο ποσοστό θα είναι αποτέλεσμα των αναλύσεων (δεδομένων, παραμέτρων, πληροφοριών, εναλλακτικών σεναρίων, συσχετίσεων) του ίδιου του – εκπαιδευμένου – software.

Το σύστημα των συστημάτων

Συνεχίζοντας τα δύο ανωτέρω παραδείγματα ‘καινούργιων’ τεχνολογιών, αυτό του ελέγχου διαρροών σε δίκτυα ύδρευσης και του ελέγχου μιας αντλίας σε ένα σπίτι από το κινητό του χρήστη, είναι αδύνατο να μην σκεφτούμε τι συμπεράσματα θα προκύψουν από την κοινή επεξεργασία των δύο αυτών πηγών πληροφοριών – ή και περισσοτέρων. Επιπλέον, εκτός αυτών των παραδειγμάτων η πραγματικότητα μιας Υπηρεσίας Ύδρευσης – Αποχέτευσης περιλαμβάνει όλες τις σχετικές υποδομές περί του κύκλου του νερού. Εγκαταστάσεις τροφοδοσίας και επεξεργασίας του πρωτογενούς νερού, μονάδες διανομής του νερού στους πολίτες και (μετά την κατανάλωση) δίκτυα συλλογής ακαθάρτων/λυμάτων, εγκαταστάσεις επεξεργασίας λυμάτων και τελική διάθεση στο φυσικό περιβάλλον. Σήμερα, κάθε τέτοιο ‘σύστημα’ αποτελείται από πολλά υποσυστήματα και τα υποσυστήματα αυτά είναι ενοποιημένα, αλλά αυτό που απουσιάζει είναι η σύνδεση των κεντρικών συστημάτων σε ένα μοναδικό υπέρ-σύστημα. Μπορεί να έχουμε συνδυαστική πληροφορία και δυνατότητες εντολών σε ένα σύστημα επεξεργασίας λυμάτων, αλλά οι δυνατότητες βελτιστοποίησής του περιορίζονται όσο αυτό δεν συνυπολογίζει τα δεδομένα καταναλώσεων π.χ. από τα υδρόμετρα. Όσο κάθε σύστημα λειτουργεί αυτόνομα, οι δυνατότητες βελτιστοποίησης θα είναι περιορισμένες.

Τα πραγματικά οφέλη

Τα πραγματικά οφέλη μιας συνδυαστικής προσέγγισης με την εφαρμογή Τεχνητής Νοημοσύνης έχουν δύο σκέλη. Το οικονομικό και το περιβαλλοντικό. Όσον αφορά το οικονομικό, οι άνθρωποι που διαχειρίζονται τον εξοπλισμό ύδρευσης/αποχέτευσης καλούνται καθημερινά να ανακαλύψουν τρόπους μείωσης του λειτουργικού κόστους. Είτε αυτοί αφορούν μείωση της ενεργειακής κατανάλωσης και της επισκευής/συντήρησης του εξοπλισμού, είτε αφορούν αύξηση της τιμολογούμενης ποσότητας απαλείφοντας φαινόμενα διαρροών και λανθασμένων μετρήσεων. Οι προσπάθειες αυτές φέρνουν αποτελέσματα αλλά έχουν ένα όριο. Το όριο που τίθεται από το σύστημα το οποίο εξετάζουν είτε αυτό λέγεται φράγμα, είτε εγκατάσταση επεξεργασίας λυμάτων. Το όριο αυτό σταματάει να υπάρχει όταν τα δεδομένα των υποσυστημάτων αυτών ενοποιηθούν.
Σε περιβαλλοντικό επίπεδο τα αποτελέσματα μπορεί να είναι εξίσου θεαματικά. Για παράδειγμα, η καλύτερη επεξεργασία των λυμάτων πριν της τελική τους διάθεση στο φυσικό περιβάλλον, έχει άμεσο όφελος τόσο στο τοπικό οικοσύστημα, αλλά και εν τέλει στις απαιτήσεις επεξεργασίας του παραγόμενου προς κατανάλωση νερού σε ένα διυλιστήριο. Σε περιβαλλοντικό επίπεδο τα αποτελέσματα είναι περισσότερο μακροπρόθεσμα αλλά με όλες τις μελέτες ακόμα να δείχνουν ότι τα προβλήματα με το νερό αυξάνονται αντί τουλάχιστον να παραμένουν στάσιμα, θεωρούμε ότι σε τεχνολογικό επίπεδο οι λύσεις που σήμερα εφαρμόζονται είτε δεν έχουν εφαρμοστεί σε εκτεταμένο επίπεδο – ώστε να εμφανιστούν σημάδια βελτίωσης – είτε δεν είναι αρκετές ώστε να αντιστρέψουν την κατάσταση.

Η προσέγγιση της Υδάτωρ

Το 85% του πληθυσμού της Ελλάδας χρησιμοποιεί έμμεσα ή άμεσα προϊόντα της Υδάτωρ. Είμαστε υπερήφανοι για αυτό αλλά νιώθουμε και το τεράστιο βάρος ευθύνης μπροστά στις τεχνολογικές εξελίξεις που είναι προ των πυλών. Για τον λόγο αυτό έχουμε ξεκινήσει να δημιουργούμε τις υποδομές και να αναπτύσσουμε τις τεχνολογίες αλλά και τις κατάλληλες συνεργασίες οι οποίες σε μερικά χρόνια θα μας επιτρέψουν να ανταποκριθούμε με μεγαλύτερη επιτυχία στις τρέχουσες προκλήσεις.

Στο πλαίσιο αυτό η Υδάτωρ έχει συμφωνήσει να ξεκινήσει με την ΔΕΥΑ Αιγίου ένα πιλοτικό πρόγραμμα ανάλυσης των δεδομένων και σύνδεσης των επιμέρους συστημάτων της σε μια ενιαία βάση, στην οποία θα εφαρμοστούν τεχνολογίες Ανάλυσης Μεγάλου Όγκου Δεδομένων (Big Data Analysis) και Μηχανικής Εκμάθησης (Machine Learning). Η ΔΕΥΑ Αιγίου η οποία πρόσφατα ολοκλήρωσε την αναβάθμιση της Εγκατάστασης Επεξεργασίας Λυμάτων διαθέτει ήδη προηγμένα συστήματα παρακολούθησης του εξοπλισμού της και μέχρι τώρα εκτός των άλλων έχει πετύχει να μειώσει σημαντικά την συνολική κατανάλωση ηλεκτρικής ενέργειας. Με την εφαρμογή τεχνολογιών Τεχνητής Νοημοσύνης στο σύνολο των υποσυστημάτων της θα εξάγει συμπεράσματα τα οποία είναι θεμελιώδη για την αιτιολόγηση της σχέσης κόστους – οφέλους, τον εντοπισμό του ακριβούς ύψους του μη-τιμολογούμενου νερού και φυσικά προτάσεις για την καλύτερη αξιοποίηση του πάγιου εξοπλισμού της.

Η λήψη των απαραίτητων αποφάσεων για την ορθή διαχείριση του νερού σε ένα κόσμο που είναι ήδη διασυνδεδεμένος, δεν μπορεί να γίνει αποσπασματικά. Είναι αναπόφευκτη η διασύνδεση των επιμέρους συστημάτων σε κεντρικότερα συστήματα, είτε αυτά θα ονομαστούν τελικά ‘έξυπνες πόλεις’ είτε αλλιώς. Βεβαίως η αποδοχή κοινών πρωτοκόλλων επικοινωνίας, η θέσπιση των κανονισμών μεταφοράς και χρήσης πληροφοριών (συμπεριλαμβανομένου των προσωπικών δεδομένων) μεταξύ Πολιτών, Δημοσίου και Φορέων και το πλαίσιο ασφαλείας που πρέπει να περιβάλλει τις τεχνολογίες αυτές, είναι θέματα που θα μας απασχολήσουν πολύ σύντομα.

Με την εφαρμογή Τεχνητής Νοημοσύνης στο σύνολο των σημείων του κύκλου του νερού, θα έχουμε την κατάλληλη γνώση ώστε οι όποιες αποφάσεις να λαμβάνονται σωστά και βάση βιώσιμων στόχων όπως επιβάλλονται από την πραγματικότητα σε συνολικό επίπεδο και όχι από την ‘εικονική’ πραγματικότητα των επιμέρους εγκαταστάσεων, κλάδων ή τομέων. Αν επιθυμείτε να μάθετε περισσότερες πληροφορίες σχετικά με το πως μπορούν να εφαρμοστούν τεχνολογίες Τεχνητής Νοημοσύνης στις εγκαταστάσεις σας, παρακαλούμε συμπληρώστε τα στοιχεία σας εδώ και θα επικοινωνήσουμε μαζί σας.

Αγγελόπουλος Παναγιώτης, Data Engineer, Υδάτωρ Α.Ε.
Ευστρατιάδης Γιώργος, Διευθύνων Σύμβουλος, Υδάτωρ Α.Ε.